Deine anonyme Online-Identität kann jetzt für 1 Dollar enttarnt werden – nicht durch Geheimdienste oder der Polizei, sondern durch „irgendjemanden“, der Zugriff auf moderne KI-Systeme wie Claude oder ChatGPT hat, plus Daten aus dem Netz, etwa aus deinen Twitter- oder Reddit-Kommentaren. Klingt wie eine Horrormeldung, ist aber Ergebnis konkreter Forschung: ETH Zürich und Anthropic haben eine Arbeit mit dem Titel „Large-Scale Online Deanonymization with LLMs“ veröffentlicht, die zeigt, wie sich Anonymität im Netz technisch systematisch auflösen lässt.
Im Kern beschreiben die Forscher eine automatisierte Pipeline, die anonym gepostete Inhalte auf Identitätssignale „scannt“, diese Signale in Kandidatenprofile überführt und anschließend nach Übereinstimmungen sucht. Überraschend ist dabei nicht nur die Idee, sondern die Umsetzung: Es ist kein menschlicher Ermittler nötig. Der Prozess läuft vollständig autonom, und er soll über Plattformen hinweg funktionieren – von Hacker News über Reddit bis hin zu LinkedIn. Selbst geschwärzte Interview-Transkripte lassen sich offenbar wieder zurückverfolgen, wenn genug Hinweise in den Textspuren stecken.
Besonders beunruhigend sind die gemessenen Erfolgsraten. Auf Hacker-News-Nutzern wurden laut den Ergebnissen 67% korrekt identifiziert. Wenn das System einen Treffer gelandet hat, lag es zudem rund 90% der Zeit richtig. Bei akademischen Anonym-Posts auf Reddit fällt die Quote zwar geringer aus, bleibt aber dennoch signifikant: Etwa 52% wurden dort korrekt zugeordnet. Noch deutlicher zeigt sich das Problem, wenn Transkripte für den Datenschutz explizit geschwärzt wurden: Von 33 untersuchten Fällen wurden 9 trotzdem enttarnt. Das heißt: Selbst wenn bestimmte offensichtliche Informationen entfernt werden, existieren offenbar weiterhin genügend sprachliche oder inhaltliche Muster, die als zuverlässige Zuordnungsbrücken dienen.
Die Forscher strukturieren ihren Ansatz in vier Schritte, die sie ESRC nennen. Zuerst extrahieren LLMs aus deinen Posts Identitätssignale. Danach suchen sie Kandidaten-Matches über Embeddings in großen Mengen von Profilen. Anschließend werden die Top-Kandidaten mithilfe weiterer Modelle wie GPT-5.2 „durchdacht“, wobei Vertrauen und Konfidenz so kalibriert werden, dass das System bei Treffern hochpräzise arbeitet. Zum Schluss ordnen sie das Ganze im Vergleich zu klassischer Deanonymisierung ein: Bekannte Angriffslogiken wie der Netflix-Preis-Angriff schneiden über ihre Tests hinweg nahezu gegen Null ab. Mit anderen Worten: LLMs machen aus einer theoretischen oder früher nur eingeschränkt wirksamen Idee etwas, das skalierbar und praktisch einsetzbar ist.
Der entscheidende Hebel ist zudem Skalierung über Zeit: Wenn Profile über ein Jahr hinweg getrennt wirken, also alte Posts mit neueren Posts über eine komplette Lücke hinweg gematcht werden, steigt die Leistung weiter. In ihren Szenarien erreichen sie hohe Recall- und Precision-Werte, und sogar „High reasoning effort“ kann den Recall unter bestimmten Bedingungen deutlich erhöhen. Der Angriff profitiert damit nicht nur von besseren Modellen, sondern wächst gewissermaßen mit ihnen. Jedes Modell-Update kann sich als „Privacy-Down-grade“ statt als Schutzfaktor auswirken.
Was diesen Angriff so schwer verteidigbar macht, ist seine Zerlegung in scheinbar harmlose Teilaufgaben: Inhalte zusammenfassen, Embeddings berechnen, Kandidaten ranken. Nichts schreit nach „Deanonymisierung“. Selbst typische Schutzmechanismen wie Safety-Guardrails oder Rate-Limits könnten laut den Forschern unzureichend sein, weil der Prozess algorithmisch in unauffällige Schritte zerlegt ist. Ihre Schlussfolgerung ist daher klar und hart:
Wer mit dauerhaften Benutzernamen postet, sollte davon ausgehen, dass Gegner Konten mit seiner echten Identität verknüpfen können. Die Projektionen deuten zudem darauf hin, dass sich die Erfolgswahrscheinlichkeit auch bei sehr großen Kandidatenmengen nicht vollständig „wegrechnen“ lässt.
Am Ende bleibt eine einfache Botschaft: Praktische Anonymität im Netz ist nicht nur schwer zu erreichen, sie kann mit modernen Sprachmodellen und passenden Datenpipelines gezielt systematisch entfallen. Die Ära der vermeintlich getrennten Online-Identitäten wird damit nicht romantisch beendet, sondern rechnerisch …
Kommentar hinzufügen